Q&A
質問内容とコードは合っているでしょうか？
提示コードを（「print(byte_str)」に直して）実行すると「b'utf-8'」と表示されます。
実現したいこと
Pythonでstrをバイト文字列に変換する際にバックスラッシュが２本にならないようにしたい
前提
Python3.9.5
発生している問題・エラーメッセージ
Pythonで文字列をバイトに変換するとバックスラッシュが２本になってしまう。
該当のソースコード
Python
1strings = "\abc\aaa\www\hhh\a\j\d" 2byte_str = str.encode('utf-8') 3print(byte_string)
結果：b'\\abc\\aaa\\www\\hhh\\a\\j\\d'
期待：b'\abc\aaa\www\hhh\a\j\d'
試したこと
①下記のコードでreplaceを実行したところ、エラーは出ませんでしたが結果は変わりませんでした。
Python
1strings = "\abc\aaa\www\hhh\a\j\d" 2byte_str = str.encode('utf-8').replace(b'\\\\', b'\\') 3print(byte_string)
②文字列にｂを付与して、バイトとして認識しないか試しましたが文字列として認識されてしまいました。
備考
今回は例としてStringsを作成していますが、Stringsは与えられた変数として、最初からバイト列に設定することはできないという前提でお願いいたします。
コードがおかしいので以下のように修正します。
$ python
Python 3.8.10 (default, Nov 14 2022, 12:59:47)
[GCC 9.4.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> "\abc\aaa\www\hhh\a\j\d".encode('utf-8')
b'\x07bc\x07aa\\www\\hhh\x07\\j\\d'
結果は全く違いますね。中のバイト列を16進数で表示すると...
>>> for b in b'\x07bc\x07aa\\www\\hhh\x07\\j\\d':
... print(hex(b))
...
0x7
0x62
0x63
0x7
0x61
0x61
0x5c
0x77
0x77
0x77
0x5c
0x68
0x68
0x68
0x7
0x5c
0x6a
0x5c
0x64
>>>
となります。バイト列リテラルの引用符の中はバイト列をASCIIコードの文字列にdecodeされたもので示されます。ASCIIコードにない文字はエスケープされます。詳しくは以下。
文字列およびバイト列リテラル
https://docs.python.org/ja/3/reference/lexical_analysis.html#string-and-bytes-literals
回答2件
1
ベストアンサー
質問のコードが滅茶苦茶なので、正しいコードを書いているとして書いてみます。
まず、
pythonの文字列ではバックスラッシュはエスケープ文字なので、表示のときには「\\」と表示される
というのが原則なので、
結果：
b'\\abc\\aaa\\www\\hhh\\a\\j\\d'
期待：b'\abc\aaa\www\hhh\a\j\d'
実際にバックスラッシュ文字が入っているとしたときに、期待のように表示させることはできません。
ではバックスラッシュが1つだとどうなるかというと、後ろの文字と合せて特殊文字やそのもじそのものを表わします。 b'\abc\aaa\www\hhh\a\j\d' なら先頭から、 \a, b, c,\a, a ...という感じです。 \aは ASCIIで 0x07 (BEL(警告))にあたる文字です。
質問の状況を再現する正しいコードはたぶんこれですね。
python
1strings = r"\abc\aaa\www\hhh\a\j\d" 2byte_str = strings.encode('utf-8') 3 4print(byte_str)
で、出力されるのは、やはりb'\\abc\\aaa\\www\\hhh\\a\\j\\d' ですが、これで\は1つずつしか入っていません。
バイト列に実際に\が2つ入っていないことを確認したければ、以下のようにファイルに落して、Hex表示できるエディタ(VScodeでもできますね)で開いてみるといいでしょう。
python
1with open('output_file.hex', mode='wb') as outf: 2 outf.write(byte_str)
投稿2023/03/17 05:59
総合スコア11455
回答へのコメント
b'\aaa\aaa\aaa'の時とb'\\aaa\\aaa\\aaa'の時でlenの大きさが違うのはなぜなのでしょうか
回答読めばわかると思いますが、'\a' が1文字 '\\' が1文字 です。 なので、
b'\aaa\aaa\aaa' は '\a', 'a', 'a','\a', 'a', 'a','\a', 'a', 'a' の 9文字
'b'\\aaa\\aaa\\aaa' は '\\', 'a', 'a', 'a', '\\', 'a', 'a', 'a', '\\', 'a', 'a', 'a' の 12文字
となります。
回答ありがとうございます。
音声をバイナリデータとして取得して、len(data)すると4096と表示されるのですが、一度デコードしてからエンコードし直すと11600ほどの大きさになってしまします。これも、この文字認識の問題でしょうか。
音声データですか？ それを、なにを使ってデコードしてからエンコードし直したんですか？
音声データと文字データはまったく別のデータ形式なので、関係無いと思いますよ。
もしかして、音声データをUTF-8でエンコードすると、テキストに落してくれると思っていたとか？
音声データのバイナリデータをdecode('utf-8)するとテキストに落とされていると考えていました。
実際、b'音声のバイナリーデータ'をデコードすると、音声のバイナリーデータの部分を得ることができました。
しかし、こちらをエンコードしてもlen(b'音声のバイナリーデータ')よりもかなり大きい数値になってしまいました。
ただ得られた"音声バイナリのデータ"を"音声バイナリのデータ".encode('utf-8)ではなく、b'"音声バイナリのデータ"’とした場合はlenが元の結果とおなしものになりました
もう一度聞きますけど、音声データで「おはよう」と入っているデータをUTF-8でデコードしたら、"おはよう"という文字列が出てくると思ったということですか？ であれば、そうはなりません。
そういうことがしたければ、音声認識のプログラムを作ることになります。
音声データをUTF-8のデータだとしてデコードすると、まあ、いわゆる文字化けした文字列データになりますね。大抵TF-8ととして解釈できにデータが含まれてしまうのでエラーになるでしょう。
できたとして、その結果をエンコードしてバイトレツに戻しても、多分、もとの音声には戻らないでしょう。サイズがどうなるかなどに特に意味はないと思いますよ。
1
print() が \ をエスケープして表示しているだけで、データ中では \ は1つのままです。len(strings) と len(byte_str) を調べてみると変化がないことがわかるでしょう。
投稿2023/03/17 05:40
総合スコア18657
あなたの回答
tips
プレビュー
